• Auto-PINNs：一种用于求解带有比弗斯 - 约瑟夫界面条件的耦合流体 - 多孔介质流动的强化学习框架

  摘要 求解耦合流体 - 多孔介质流，例如具有比弗斯 - 约瑟夫界面条件的斯托克斯 - 达西和纳维 - 斯托克斯 - 达西系统，由于物理异质性和刚性约束导致的系统性优化瓶颈，对物理信息神经网络 (PINNs) 提出了严峻挑战。传统的 PINNs 严重依赖超参数的人工试错调优，导

  来源：Journal of Computational Physics

  时间：2026-08-23

• 基于忆阻强化学习的双层规划布局优化方法，结合神经动态估计策略

  **摘要** 随着摩尔定律的终结，集成电路设计自动化将有助于在硬件与人工智能之间建立一种共生关系。作为多层次、多目标的NP难问题，平面布局优化受到了许多学者的重视。传统的数值方法容易陷入局部最优解。作为一种非易失性存储器器件，忆阻器在断电后仍能保留存储的信息。利用这一特性，我

  来源：Journal of Computational and Applied Mathematics

  时间：2026-08-23

• 基于区域指示材料不连续性捕获物理信息神经网络的混凝土重力坝温度场模拟与反演

  •克服了 PINN 在多材料界面中的局限性。 •避免了域分解方法中的子网络设置。 •在稀疏样本和病态条件下实现精确反演。 •减少初始偏差影响及对专家初始化的依赖。 1. 引言 作为一种广泛采用且重要的结构形式，混凝土重力坝的长期安全稳定运行至关重要。除了满足基本力学强度要求

  来源：International Journal of Thermal Sciences

  时间：2026-08-23

• 通过潜在函数启发的级联网络结合分阶段物理 - 数据编码求解 DR-PDEE 的时空过渡迁移学习

  **摘要** 随机响应分析是随机力学中的一项基本任务。降维概率密度演化方程 (DR-PDEE) 为确定高维非线性系统的响应概率密度函数 (PDFs) 提供了一个有效的框架。多物理信息神经网络 (MPINNs) 通过将物理定律与有限样本嵌入，为解决 DR-PDEE 提供了一种诱

  来源：International Journal of Non-Linear Mechanics

  时间：2026-08-23

• 基于循环神经网络代理算法的康托尔分形微混合器优化

  摘要 使用递归神经网络 (RNN) 代理模型对康托尔分形被动微混合器进行了优化。设计变量为大康托尔挡板和小康托尔挡板的高度比 α = H₁/Hs 和宽度比 β = L₁/Ls。使用三维计算流体力学 (CFD) 模拟来评估混合效率和压力损失系数，随后将其作为 RNN 代理的训

  来源：International Communications in Heat and Mass Transfer

  时间：2026-08-23

• 基于神经格兰杰因果性的结构地震响应时间序列预测的可解释性：电气设备应用

  摘要 为了解决深度神经网络在结构地震响应时间序列预测中可解释性有限的问题，以及传感器故障可能导致监测可靠性降低的问题，本研究提出了一种基于神经格兰杰因果性（CD-NGC）的因果发现框架。针对强震下多变量响应数据的非平稳性和高动态范围特征，该框架通过物理自适应预处理和结构化稀疏

  来源：Engineering Structures

  时间：2026-08-23

• 一种用于奇异 Lane-Emden 型方程的受 DNA 启发的物理信息机器学习框架

  摘要 本文研究了一类在数学物理和天体物理学中具有重要意义的非线性奇异微分方程，具体为 Lane–Emden 型方程，此前此类方程已通过经典的半解析和数值方法进行了研究。不同于基于离散化的经典方法，我们引入了一种结合物理信息神经网络 (PINN) 的混合 DNA 基人工神经网络

  来源：Astronomy and Computing

  时间：2026-08-23

• 基于增量学习的多流体多工况超临界流体传热模型的开发

  •渐进神经网络框架实现了统一的多流体、多工况超临界传热建模。•逐步任务扩展实现了跨流体知识迁移，能够在不发生灾难性遗忘的情况下实现稳健预测。•PNN 模型优于重新训练的神经网络和经验关联式，特别是在外推工况下表现显著。引言先进核能系统的发展越来越强调高效和高紧凑度的能量转换技

  来源：Annals of Nuclear Energy

  时间：2026-08-23

• 面向太赫兹 6G 低空自组织网络中实时无人机中继定位的可解释人工智能引导优化器蒸馏

  摘要 低空经济的智能且具韧性的网络需要自主无人机（UAV）中继定位，能够适应用户拓扑的实时变化。在太赫兹（THz）第六代（6G）低空空对空自组网（LAAHNs）中，这要求神经代理模型结合毫秒级推理与近最优放置精度。本文呈现了一项十三种方法的比较——涵盖启发式方法、深度强化学习

  来源：Ad Hoc Networks

  时间：2026-08-23

• GeoPINONet：一种基于稀疏监督学习和物理信息的算子学习方法，用于预测变化多端的3D弹性介质中的全场应力场

  •稀疏监督下的算子学习可以预测完整的3D弹性场。 •ActiveCSV将有限元（FEM）锚点移动到关键和高误差区域。 •零样本平均位移的R²值在0.996到0.999之间；应力p95始终低于8%。 •傅里叶特征对于局部应力重建至关重要。 •学习到的50,000个点的场更新在95百

  来源：COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING

  时间：2026-08-23

知名企业招聘：